EEG数据分析时如何对分段数据进行伪迹检测与排除？

之前，我们推出了 基于Matlab、EEGLab和ERPlab的偏侧化差异波(N2pc/Pd/CDA )成分分析方法 一文，在推文中鉴于篇幅有限，我们仅仅举例说明了在进行偏侧化成分分析时，基于ERPlab对分段数据进行伪迹检测与排除的一种方法，未能详尽地对伪迹检测和排除的方法和实现过程进行介绍。

第一部分 伪迹检测的基本过程

选择伪迹检测方法。如：Step-like artifacts等。

选择伪迹检测阈值。如：±75 μv。

肉眼检测。如：基于已有的经验，肉眼识别后手动进行伪迹排除。

第二部分 常见伪迹及检测方法

2.1 眨眼

眨眼检测常用的方法有滑动窗峰-峰振幅(moving window peak-to-peak threshold) 和阶跃函数（step function）。

2.2 眼动

单试次中大的眼动相对容易被检测，而小的眼动则很难被检测到，则需使用阶跃函数（step function）进行检测。

2.3 其他慢电压漂移、肌肉伪迹等

检测常用方法与眨眼检测方法基本一致，但阈值的设定要比眨眼的高。

关于常见伪迹的介绍可进一步阅读以下书籍：

[1]Steven J. Luck（著），洪祥飞（译）(2019).事件相关电位基础（第二版），华东师范大学出版社.

[2]Luck,S.J.(2014).An introduction to the event-related potential technique(2nd). MIT press.

第三部分 伪迹检测和排除的具体实现过程

（以Hakim et al.，2020为例)

在进行偏侧化成分分析时，我们需要尽可能避免眼动（Eye Movement）、眨眼（Blinks）、漂移（Drift）、肌肉伪迹（Muscle Artifacts）、阻塞（Blocking）等伪迹对成分的干扰。

3.1 眼动（Eye Movement）

通过sliding window step function 对水平眼电（HEOG）对眼动进行检测。在每个试次中，以100 ms为时间窗每次以10 ms 进行移动,如果幅值变化超过20 μv 则被标记为眼动伪迹并排除。示例代码如下：

tic

markH = NaN(1,nTrials);
heogDat = squeeze(erp.arfDat.data(:,ismember(chanLabels,'HEOG'),:));
%%%%% check for horizontal eye movements 
parfor t = 1:nTrials
        rawTS = heogDat(t,:);
        eMoveH = step_t(rawTS,rateAcq,eMoveStep,eMoveWin,eMoveThr); % 33 = VEOG channel        
        markH(t) = artDetect(eMoveH);  
end

mark = markH;
erp.arf.eMove = mark;
toc

3.2 眨眼（Blinks）

通过sliding window step function 对垂直眼电（VEOG）对眼动进行检测。在每个试次中，以80 ms为时间窗每次以10 ms 进行移动,如果幅值变化超过30 μv 则被标记为眼动伪迹并排除。示例代码如下：

%%%%% check for blinks 
tic
mark = NaN(1,nTrials);
veogDat = squeeze(erp.arfDat.data(:,ismember(chanLabels,'VEOG'),:));
parfor t = 1:nTrials
    rawTS = veogDat(t,:);
    % Check for blinks using peak-to-peak amplitude
    blink = step_t(rawTS,rateAcq,blinkStep,blinkWin,blinkThr); % 33 = VEOG channel
    mark(t) = artDetect(blink);
end
erp.arf.blink = mark;
toc
fprintf('checking for eye movements... \n')

tic

3.3 漂移（Drift）

如果试次的前15%和后15%之间的幅值变化大于100 μv,则被标记为漂移并排除。如果是较小的漂移，则使用通过sliding window step function 进行检测。在每个试次中，以100 ms为时间窗每次以10 ms 进行移动,如果幅值变化超过100 μv 则被标记为漂移并排除。示例代码如下：

        % check for extreme drift in all scalp channles 
        checkChannel = ~ismember(chanLabels,{'HEOG','VEOG','StimTrak'}); % specify names of channels to skip        
        if checkChannel(i)
            drift = drift_check(rawTS,rateAcq,driftThr);
            mark = artDetect(drift);
            mark_driftFull(i,t) = mark;
end


        % check for extreme channel drop out (step function) in all scalp channles
        checkChannel = ~ismember(chanLabels,{'HEOG','VEOG','StimTrak'}); % specify names of channels to skip
        if checkChannel(i)
            dropout = step_t(rawTS,rateAcq,dropoutStep,dropoutWin,dropoutThr);
            mark = artDetect(dropout);
            mark_dropoutFull(i,t) = mark; 
end

3.4 肌肉伪迹（Muscle Artifacts）

通过 moving window peak-to-peak threshold的方法进行检测，如果在15 ms的时间窗内峰值变化超过200 μv，则视为肌肉伪迹并排除。示例代码如下：

        % check for noise in all scalp channels
        checkChannel = ~ismember(chanLabels,{'HEOG','VEOG','StimTrak'}); % specify names of channels to skip        
        if checkChannel(i)
            noise = ppa(rawTS,rateAcq,noiseThr);
            mark = artDetect(noise);
            mark_noiseFull(i,t) = mark;
end

3.5 阻塞（Blocking）

如果任意一个电极点在200 ms 的时间窗内有任意30个时间点的电压在 1 V 内则视为信号通道阻塞并排除。示例代码如下：

 % check for blocking in all channels except StimTrak
        checkChannel = ~ismember(chanLabels,'StimTrak');  % specify names of channels to skip
        if checkChannel(i)        
            block = blockReject(rawTS,rateAcq);
            mark = artDetect(block);
            mark_blockingFull(i,t) = mark;
end

注：关于伪迹检测具体实现的更多细节，可以阅读文献：Hakim, N., Feldmann-Wüstefeld, T., Awh, E., & Vogel, E. K. (2020). Perturbing neural representations of working memory with task-irrelevant interruption. Journal of Cognitive Neuroscience, 32(3), 558-569.

同时，本推文中的代码均来源于Hakim et al.(2020)的数据分析代码。鉴于篇幅有限，对推文中涉及的数据分析代码未一一进行注解，如果想了解代码的更多信息，可以通过以下链接（或点击文末阅读原文)：https://osf.io/g5ahn/ 下载论文中所使用的原始EEG数据和完整的数据分析代码。

扩展阅读：